論文の概要: Self-supervised Detransformation Autoencoder for Representation Learning in Open Set Recognition

• arxiv url: http://arxiv.org/abs/2105.13557v1
• Date: Fri, 28 May 2021 02:45:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:48:30.656533
• Title: Self-supervised Detransformation Autoencoder for Representation Learning in Open Set Recognition
• Title（参考訳）: オープンセット認識における表現学習のための自己教師付きデコンフォーメーションオートエンコーダ
• Authors: Jingyun Jia, Philip K. Chan
• Abstract要約: オープンセット認識問題に対する自己超越手法であるDetransformation Autoencoder (DTAE)を提案する。 提案手法は,未知のクラスを検出し,未知のクラスを分類する上で,大きな利益をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The objective of Open set recognition (OSR) is to learn a classifier that can reject the unknown samples while classifying the known classes accurately. In this paper, we propose a self-supervision method, Detransformation Autoencoder (DTAE), for the OSR problem. This proposed method engages in learning representations that are invariant to the transformations of the input data. Experiments on several standard image datasets indicate that the pre-training process significantly improves the model performance in the OSR tasks. Meanwhile, our proposed self-supervision method achieves significant gains in detecting the unknown class and classifying the known classes. Moreover, our analysis indicates that DTAE can yield representations that contain more target class information and less transformation information than RotNet.
• Abstract（参考訳）: オープンセット認識(OSR)の目的は、既知のクラスを正確に分類しながら未知のサンプルを拒否できる分類器を学習することである。 本稿では,OSR問題に対する自己超越手法であるDetransformation Autoencoder (DTAE)を提案する。 提案手法は,入力データの変換に不変な学習表現に係わる。 いくつかの標準画像データセットの実験は、事前学習プロセスがOSRタスクのモデル性能を著しく改善することを示している。 一方,提案手法は,未知のクラスを検出し,既知のクラスを分類する上で,大きな利益をもたらす。 さらに分析の結果,DTAEはRotNetよりもターゲットクラス情報が多く,変換情報が少ない表現を生成できることがわかった。

関連論文リスト

• Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
  オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。 本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-05-09T15:15:34Z)
• Enlarging Instance-specific and Class-specific Information for Open-set Action Recognition [47.69171542776917]
  よりリッチなセマンティックな多様性を持つ機能は、同じ不確実性スコアの下で、オープンセットのパフォーマンスを著しく向上させることができる。 よりIS情報を保持するために、インスタンスの分散を同じクラス内に保持するために、新しいPSLフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-03-25T04:07:36Z)
• Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
  我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:07:40Z)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• Open Set Recognition using Vision Transformer with an Additional Detection Head [6.476341388938684]
  視覚変換器(ViT)技術に基づくオープンセット認識(OSR)の新しい手法を提案する。 まず、閉集合分類を行うためにViTモデルを訓練する。 そして、ViTによって抽出された埋め込み特徴に付加検出ヘッドを取り付け、既知のデータの表現をクラス固有のクラスタにコンパクトに強制するように訓練する。
  論文  参考訳（メタデータ） (2022-03-16T07:34:58Z)
• A Generic Self-Supervised Framework of Learning Invariant Discriminative Features [9.614694312155798]
  本稿では,制約付き自己ラベル割り当てプロセスに基づく汎用SSLフレームワークを提案する。 提案手法は,AE構造に基づく最先端の表現学習手法よりも優れている。
  論文  参考訳（メタデータ） (2022-02-14T18:09:43Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• Feature Learning for Accelerometer based Gait Recognition [0.0]
  オートエンコーダは、特徴学習能力に関して、差別的なエンドツーエンドモデルに非常に近い。 完全な畳み込みモデルは 訓練戦略に関係なく 優れた特徴表現を学べます
  論文  参考訳（メタデータ） (2020-07-31T10:58:01Z)
• Guided Variational Autoencoder for Disentanglement Learning [79.02010588207416]
  本稿では,潜在表現非絡み合い学習を行うことで,制御可能な生成モデルを学習できるアルゴリズム,Guided-VAEを提案する。 我々は、ガイド-VAEにおける教師なし戦略と教師なし戦略を設計し、バニラVAE上でのモデリングと制御能力の強化を観察する。
  論文  参考訳（メタデータ） (2020-04-02T20:49:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。